CN110932807A - 一种非高斯噪声下mimo系统的频谱感知方法 - Google Patents

Abstract

本发明属于无线通信中频谱感知技术领域，公开了一种非高斯噪声下MIMO系统的频谱感知方法，利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x；基于核空间矩阵K^x构建检测统计量T_K；计算门限η_K，将检测统计量T_K与阈值η_K进行比较；如果T_K＜η_K，判为主用户信号存在；否则，判为主用户信号不存在。本发明可以有效实现非高斯噪声条件下MIMO系统的频谱感知，且在低信噪比条件下具有较好的性能。当信噪比高于‑10dB时，正确检测概率达到90％以上，且对于高斯噪声本发明所述方法同样具有较好的性能。可见，本发明的频谱感知效果较好。与现有算法比较，本发明所提方法的检测性能随着天线数目的增加而增加，增加天线数目可以提升算法性能。

Description

一种非高斯噪声下MIMO系统的频谱感知方法

技术领域

本发明属于无线通信中频谱感知技术领域，尤其涉及一种非高斯噪声下MIMO系统的频谱感知方法。

背景技术

目前，最接近的现有技术：频谱感知技术是认知无线电网络的关键技术，是认知无线电网络实现频谱动态规划，提高频谱利用率的基础。认知无线电网络通过频谱感知技术探寻未被使用的频谱资源，并允许感知用户在不干扰主用户正常通信的前提下使用授权给主要用户的频谱，从而大大提高频谱利用率。然而，在频谱感知过程中，通常会出现虚警或漏检的情况，虚警过高会导致频谱利用率降低，而漏检的出现会给主用户带来干扰。因此研究高精度的频谱感知技术具有非常重要的意义。

关于频谱感知问题，已经提出了多种方法，如匹配滤波方法(Chen H S,Gao W GW,Daut D G.Signature Based Spectrum Sensing Algorithms for IEEE 802.22WRAN[C].IEEE International Conference on Communications,Glasgow,UK,2007.)、基于循环平稳特征的方法(Hosseini S M A T,Amindavar H,Ritcey J A.A newcyclostationary spectrum sensing approach in cognitive radio[C].IEEE EleventhInternational Workshop on Signal Processing Advances in WirelessCommunications,Marrakech,Morocco 2010.)、基于似然假设的方法(Soltanmohammadi E,Orooji M,Naraghi-Pour M.Spectrum Sensing Over MIMO Channels Using GeneralizedLikelihood Ratio Tests[J].IEEE Signal Processing Letters,2013,20(5):439-442.)、能量感知方法(Singh A,Bhatnagar M R,Mallik R K.Cooperative SpectrumSensing in Multiple Antenna Based Cognitive Radio Network Using an ImprovedEnergy Detector[J].IEEE Communications Letters,2012,16(1):64-67.)以及基于特征值的方法(Sedighi S,Taherpour A,Gazor S,et al.Eigenvalue-Based MultipleAntenna Spectrum Sensing:Higher Order Moments[J].IEEE Transactions onWireless Communications,2017,16(2):1168-1184.)。匹配滤波方法可以达到最佳感知性能，但要求已知主用户先验信息。循环平稳检测方法具有较高的性能，但对同步非常敏感，计算复杂度较高。基于似然的检测器被也可以实现最优检测，但该方法需要精确的信道信息以及信号和噪声的分布。能量检测方法在低信噪比环境下具有较低的复杂度和良好的性能，被认为是一种在加性白噪声环境下检测未知信号的常用方法，但该方法严重依赖于噪声功率的准确性，因此算法性能对噪声不确定性很敏感。基于特征值的方法可以在没有任何先验信息的情况下获得相对优异的性能，但在时变衰落信道下检测性能无法得到保证。基于协方差矩阵的方法利用主用户信号的空间或时间相关性可以实现有效频谱感知。但随着信号相关性的降低，其性能严重下降。最近，提出了一种新的基于卷积神经网络的频谱感知方案，该方案在大量训练样本的前提下能够取得了良好的感知性能，但在实际应用中，获取大量训练样本的较为困难。

上述的频谱感知方法假设环境噪声为加性高斯白噪声。然而，在许多实际应用中存在着各种各样的非高斯噪声，如脉冲噪声、人造射频噪声、超宽带干扰、来自其他感知用户的同频干扰和低频大气噪声，这些噪声不能用高斯分布来模拟。为了改善非高斯噪声环境下的频谱感知性能，已有学者提出了一些改进方法。针对广义高斯噪声，Kang H G等人提出了Rao检测方法，该方法对广义高斯分布噪声有一定抑制作用，但需要大量的先验信息(Kang H G,Song I,Yoon S,et al.A Class of Spectrum-Sensing Schemes forCognitive Radio Under Impulsive Noise Circumstances:Structure and Performancein Nonfading and Fading Environments[J].IEEE Transactions on VehicularTechnology,2010,59(9):4322-4339.)。在对称alpha稳定分布噪声条件下，Hassan K等人提出了两种基于多天线的频谱感知方法，即基于广义协变系数绝对值的频谱感知和基于多种滤波的频谱感知(Hassan K,Gautier R,Dayoub I,et al.Multiple-Antenna-BasedBlind Spectrum Sensing in the Presence of Impulsive Noise[J].IEEETransactions on Vehicular Technology,2014,63(5):2248-2257.)。所提的两种方法可以较好的适应alpha稳定分布噪声，但算法复杂度较高。此外，ZhuX等人提出了一种基于分数低阶矩的频谱感知方法，该方法在alpha稳定噪声下具有良好的频谱感知性能，但该方法对分数低阶指数依赖性较强(Zhu X,Zhu W P,Champagne B.Spectrum sensing based onfractional lower order moments for cognitive radios inα-stable distributednoise[J].Signal Processing,2015,111:94-105.)。Moghimi F等人提出了一种基于自适应p-范数的检测方法，可以有效实现圆对称非高斯噪声下的频谱感知。由于该方法需要自适应选取参数，使得算法计算复杂度增加(Moghimi F,Nasri A,Schober R.Adaptive L_p—Norm Spectrum Sensing for Cognitive Radio Networks[J].IEEE Transactions onCommunications,2011,59(7):1934-1945.)。Wimalajeewa T等人提出了一种基于极性符合阵列的检测方法，该方法可以很好的适应广义高斯噪声，但其性能取决于条件参数的选择(Wimalajeewa T,Varshney P K.Polarity-Coincidence-Array Based Spectrum Sensingfor Multiple Antenna Cognitive Radios in the Presence of Non-Gaussian Noise[J].IEEE Transactions on Wireless Communications,2011,10(7):2362-2371.)。Margoosian A等人提出了一种适用于广义高斯噪声和拉普拉斯噪声的核能量检测方法，该方法在较低信噪比条件下可以获得良好的检测性能。但该方法具有较高的计算复杂度(Margoosian A,Abouei J,Plataniotis K N.An Accurate Kernelized EnergyDetection in Gaussian and non-Gaussian/Impulsive Noises[J].IEEE Transactionson Signal Processing,2015,63(21):5621-5636.)。Kostylev V I等人利用高斯混合分布刻画环境背景噪声，并分析了p-范数检测方法的性能(Kostylev V I,Gres IP.Characteristics of$f$-norm Signal Detection in Gaussian Mixture Noise[J].IEEE Transactions on Vehicular Technology,2018,67(4):2973-2981.)。

综上所述，现有技术存在的问题是：

(1)现有的频谱感知技术在非高斯噪声条件下检测性能较差，且鲜有文献提及混合高斯噪声下MIMO系统的频谱感知方法。

(2)现有的非高斯噪声下MIMO系统的频谱感知方法在低信噪比条件下，检测可靠性较低。

解决上述技术问题的难度：

非高斯噪声具有厚重的拖尾，通常情况下不存在有限方差，因此，构建适应混合高斯噪声的检测统计量的构造以及计算检测门限是实现非高斯噪声下MIMO系统的频谱感知方法技术难点。

解决上述技术问题的意义：

实现混合噪声下MIMO系统的频谱感知可以为复杂电磁环境下认识无线电网络提供技术支撑，不仅可以扩展认识无线电网络的应为范围，而且可以有效提升认知无线电网络的频谱动态规划能力。

发明内容

针对现有技术存在的问题，本发明提供了一种非高斯噪声下MIMO系统的频谱感知方法。

本发明是这样实现的，一种非高斯噪声下MIMO系统的频谱感知方法，所述非高斯噪声下MIMO系统的频谱感知方法包括以下步骤：

第一步，利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x，使得原始数据中的脉冲噪声在核空间中得到抑制；

第二步，基于核空间矩阵K^x构建适应非高斯噪声的检测统计量T_K，保证统计量T_K存在有限的方差；

第三步，计算门限η_K，并将检测统计量T_K与阈值η_K进行比较，实现非高斯噪声下MIMO系统的频谱感知。

进一步，所述利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x：

其中，x_m,n是观测矩阵x的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除x_m,n所在的第m行与第n列后所留下来的矩阵，M为感知用户配置的天线数目，N为信号采样点数，核函数采用高斯核

c为核参数。

进一步，所述基于核空间矩阵K^x构建检测统计量T_K；

其中，Ι_1,M为元素全为1的列向量，Ι_N,1为元素全为1的行向量，K^x为接收信号的核空间矩阵。

进一步，所述计算门限η_K，将检测统计量η_K与阈值T_K进行比较，实现非高斯噪声下MIMO系统的频谱感知。

检测门限表达式为

其中，

表示H₀条件下统计量T_k的均值，

表示H₀条件下统计量T_k的标准差，

为给定的虚警概率，

w_m,n是噪声矩阵w的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除w_m,n所在的第m行与第n列后所留下来的矩阵。

如果T_K＜η_K，判为主用户信号存在；否则，判为主用户信号不存在。

本发明的另一目的在于提供一种应用所述非高斯噪声下MIMO系统的频谱感知方法的无线通信频谱感知系统。

本发明的另一目的在于提供一种应用所述非高斯噪声下MIMO系统的频谱感知方法的认知无线电网络通信系统。

综上所述，本发明的优点及积极效果为：本发明可以有效实现非高斯噪声条件下MIMO系统的频谱感知，且在低信噪比条件下具有较好的性能。当信噪比高于-10dB时，正确检测概率达到90％以上，且对于高斯噪声本发明所述方法同样具有较好的性能。可见，本发明的频谱感知效果较好。

附图说明

图1是本发明实施例提供的非高斯噪声下MIMO系统的频谱感知方法流程图。

图2是本发明实施例提供的非高斯噪声下MIMO系统频谱感知方法检测性能示意图。

图3是本发明实施例提供的非高斯噪声下对于不同天线配置的MIMO系统频谱感知方法检测性能示意图。

图4是本发明实施例提供的非高斯噪声下MIMO系统频谱感知方法在不同信噪比条件下的检测性能示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种非高斯噪声下MIMO系统的频谱感知方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的非高斯噪声下MIMO系统的频谱感知方法包括以下步骤：

S101：利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x；

S102：基于核空间矩阵K^x构建检测统计量T_K；

S103：计算门限η_K，并将检测统计量T_K与阈值η_K进行比较，实现非高斯噪声下MIMO系统的频谱感知。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的非高斯噪声下MIMO系统频谱感知方法包括以下步骤：

第一步，利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x；

考虑一个主用户，一个认知用户的频谱感知系统，假设主用户和认知用户配置的天线数分别为P和M，在第i个天线接收的信号可以表示为：

其中，N表示观测信号采样点数，w_i(n)表示加性非高斯噪声，h_i,j表示主用户第j根天线与感知用户第i天线之间的衰落信道。观测信号可以表示为矩阵形式：

x＝Hs+w；

其中，H表示M×P的衰落信道矩阵，s＝[s_1,n,...,s_P,n]^T表示P×N发送信号矩阵，w＝[w_1,n,...,w_M,n]^T表示M×N加性非高斯噪声矩阵。

感知结果存在以下2种可能：

其中H₀表示主用户信号不存在，H₁表示主用户信号存在。.

考虑加性非高斯噪声服从高斯混合分布，其概率密度函数为：

其中，b_u＞0表示噪声分量权重，且

σ_u是分量噪声的标准差，U为噪声的分量总数。高斯混合分布噪声的方差可以表示为：

在本发明中，定义信噪比为：

其中，

是信号功率，h_m表示第m根天线的信道抽头。

利用非线性核函数对观测信号矩阵进行映射，构造核空间矩阵即：

其中，x_m,n是观测矩阵x的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除x_m,n所在的第m行与第n列后所留下来的矩阵，M为感知用户配置的天线数目，N为信号采样点数，核函数采用高斯核

c为核参数。

第二步，基于核空间矩阵K^x构建检测统计量T_K；

其中，Ι_1,M为元素全为1的列向量，Ι_N,1为元素全为1的行向量，K^x为接收信号的核空间矩阵；

第三步，最后计算门限η_K，并将检测统计量T_K与阈值η_K进行比较，实现非高斯噪声下MIMO系统的频谱感知。

检测门限可以表示为：

其中，

表示H₀条件下统计量T_k的均值，

表示H₀条件下统计量T_k的标准差，

为给定的虚警概率，

w_m,n是噪声矩阵w的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除w_m,n所在的第m行与第n列后所留下来的矩阵，M为感知用户配置的天线数目，N为信号采样点数，核函数采用高斯核

c为核参数。

如果T_K＜η_K，判为主用户信号存在；否则，判为主用户信号不存在。

下面结合仿真对本发明的技术效果作详细的描述。

为了评估本发明的性能，进行仿真验证。接收信号样本为N＝100，感知用户天线为M＝4，主用户天线数P＝4。非高斯采用高斯混合分布噪声，其噪声分量数V＝2，分量权重分别为b1＝0.9985，b2＝0.0015，方差之比为

本发明采用接收机工作特性(roc)曲线作为检测性能的评价指标。仿真实验采取5000次迭代的统计仿真，验证性能。其仿真结果如图2、图3和图4所示，由图2可以看出，本发明方法对于高斯混合噪声具有很强的适应能力，与现有算法比较，本发明方法具有明显的性能优势。由图3可以看出，本发明所提方法的检测性能随着天线数目的增加而增加，也就是说，增加天线数目可以提升算法性能。由图4可以看出，在低信噪比条件下，本发明所提方法依然具有良好的检测性能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种非高斯噪声下MIMO系统的频谱感知方法，其特征在于，所述非高斯噪声下MIMO系统的频谱感知方法包括以下步骤：

第一步，利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x；

第二步，基于核空间矩阵K^x构建检测统计量T_K；

第三步，计算门限η_K，并将检测统计量T_K与阈值η_K进行比较，实现非高斯噪声下MIMO系统的频谱感知。

2.如权利要求1所述的非高斯噪声下MIMO系统的频谱感知方法，其特征在于，所述利用非线性核函数对观测矩阵x进行核映射，得到核空间矩阵K^x：

其中，x_m,n是观测矩阵x的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除x_m,n所在的第m行与第n列后所留下来的矩阵，M为感知用户配置的天线数目，N为信号采样点数，核函数采用高斯核

c为核参数。

3.如权利要求1所述的非高斯噪声下MIMO系统的频谱感知方法，其特征在于，所述基于核空间矩阵K^x构建检测统计量T_K；

其中，Ι_1,M为元素全为1的列向量，Ι_N,1为元素全为1的行向量，K^x为接收信号的核空间矩阵。

4.如权利要求1所述的非高斯噪声下MIMO系统的频谱感知方法，其特征在于，所述计算门限η_K，并将检测统计量T_K与阈值η_K进行比较，实现非高斯噪声下MIMO系统的频谱感知；

检测门限表达式为

其中，

表示H₀条件下统计量T_k的均值，

表示H₀条件下统计量T_k的标准差，

为给定的虚警概率，

w_m,n是噪声矩阵w的第m行第n列的元素，Ι_m,n为元素全为1的矩阵，

表示去除w_m,n所在的第m行与第n列后所留下来的矩阵；

如果T_K＜η_K，判为主用户信号存在；否则，判为主用户信号不存在。

5.一种应用权利要求1～4任意一项所述非高斯噪声下MIMO系统的频谱感知方法的无线通信频谱感知系统。

6.一种应用权利要求1～4任意一项所述非高斯噪声下MIMO系统的频谱感知方法的认知无线电网络通信系统。

Images